1부 LLM 시작하기
1장 AI 에이전트와 그 응용 소개
1.1 LLM 기반의 응용과 에이전트 구축
1.1.1 LLM 기반 애플리케이션과 엔진
1.1.2 LLM 기반 챗봇
1.1.3 AI 에이전트
1.2 LangChain 소개
1.2.1 LangChain 아키텍처
1.2.2 LangChain의 핵심 객체 모델
1.3 전형적인 LLM 사용 사례
1.4 LLM을 요구 사항에 맞게 조정하는 방법
1.4.1 프롬프트 공학
1.4.2 RAG
1.4.3 파인튜닝
1.5 LLM 선택
1.6 이 책에서 배우게 될 내용
요약

2장 프로그래밍 방식으로 프롬프트 실행
2.1 프롬프트를 프로그래밍 방식으로 실행하기
2.1.1 이 장을 위한 환경 설정
2.1.2 최소한의 프롬프트 실행
2.2 LangChain으로 프롬프트 실행하기
2.3 프롬프트 템플릿
2.3.1 파이썬 함수로 프롬프트 템플릿 구현하기
2.3.2 LangChain의 PromptTemplate 사용하기
2.4 프롬프트 형식
2.4.1 텍스트 분류
2.4.2 감정 분석
2.4.3 텍스트 요약
2.4.4 텍스트 구성
2.4.5 질의응답
2.4.6 추론
2.5 상세 추론
2.5.1 원샷 학습
2.5.2 투샷 학습
2.5.3 단계 제시
2.5.4 퓨샷 학습
2.5.5 LangChain으로 퓨샷 학습 구현하기
2.5.6 사고 체인
2.6 프롬프트 구조
요약

2부 요약
3장 LangChain을 사용한 문서 요약
3.1 문맥 창보다 큰 문서 요약하기
3.1.1 텍스트를 조각으로 나눠 Document 객체로 만들기
3.1.2 분할
3.1.3 맵
3.1.4 Reduce
3.1.5 MapReduce 결합 체인
3.1.6 MapReduce 실행
3.2 문서 간 요약
3.2.1 Document 객체 목록 생성
3.2.2 위키피디아 콘텐츠
3.2.3 파일 기반 콘텐츠
3.2.4 Document 리스트 생성
3.2.5 최종 요약 점진적으로 Refine하기
3.3 요약 흐름도
요약

4장 연구 요약 엔진 구축
4.1 연구 요약 엔진 개요
4.2 프로젝트 설정
4.3 핵심 기능 구현
4.3.1 웹 검색 구현
4.3.2 웹 스크래핑 구현
4.3.3 LLM 클라이언트 인스턴스 생성
4.3.4 JSON을 파이썬 객체로 변환하는 변환기
4.4 질의 재작성으로 아키텍처 고도화
4.5 프롬프트 공학
4.5.1 웹 검색 프롬프트 작성
4.5.2 요약 프롬프트 작성
4.5.3 연구 리포트 프롬프트
4.6 초기 구현
4.6.1 함수와 프롬프트 템플릿 임포트
4.6.2 상수와 입력 변수 설정
4.6.3 LLM 클라이언트 인스턴스 생성
4.6.4 웹 검색 질의 생성 및 결과 수집
4.6.5 웹 결과 스크래핑
4.6.6 웹 결과 요약
4.6.7 연구 보고서 생성
4.7 LCEL로 연구 요약 엔진 다시 구현하기
4.7.1 어시스턴트 지시 체인
4.7.2 웹 검색 체인
4.7.3 검색 및 요약 체인
4.7.4 웹 연구 체인
요약

5장 LangGraph를 활용한 에이전트 워크플로
5.1 에이전틱 워크플로와 에이전트에 대한 이해
5.1.1 워크플로
5.1.2 에이전트
5.1.3 에이전트 기반 아키텍처를 사용할 경우
5.1.4 에이전트 개발 프레임워크
5.2 LangGraph 기초
5.3 LangChain 체인에서 LangGraph로 이동하기
5.4 LangGraph 핵심 구성 요소
5.4.1 상태 그래프 구조
5.4.2 상태 관리와 타입 지정
5.4.3 노드 함수와 엣지 정의
5.4.4 시작 지점과 종료 조건
5.5 웹 연구 어시스턴트를 AI 에이전트로 전환하기
5.5.1 기존 LangChain 구현 개요
5.5.2 변환을 위한 구성 요소 식별
5.5.3 단계별 변환 절차
5.5.4 코드 비교와 얻은 이점들
요약

3부 Q&A 챗봇
6장 ChromaDB를 활용한 RAG 기초
6.1 문맥 기반 검색
6.1.1 단일 문서를 대상으로 한 기본적인 질의응답 챗봇
6.1.2 지식 기반을 대상으로 한 보다 복잡한 질의응답 챗봇
6.1.3 RAG 설계 패턴
6.2 벡터 저장소
6.2.1 벡터 저장소란 무엇인가?
6.2.2 벡터 저장소의 작동 원리
6.2.3 벡터 라이브러리 vs. 벡터 데이터베이스
6.2.4 가장 널리 사용되는 벡터 저장소
6.2.5 Chroma를 사용한 텍스트 저장 및 문맥 기반 검색 수행
6.3 RAG 처음부터 구현하기
6.3.1 벡터 데이터베이스에서 콘텐츠 검색
6.3.2 LLM 호출
6.3.3 챗봇 구축
6.3.4 RAG 용어 정리
요약

7장 LangChain과 LangSmith를 활용한 질의응답 챗봇
7.1 질의응답 챗봇을 위한 LangChain 객체 모델
7.1.1 콘텐츠 수집(인덱싱) 단계
7.1.2 질의응답(검색 및 생성) 단계
7.2 벡터 저장소 콘텐츠 수집
7.2.1 문서 분할 및 저장
7.2.2 중복 제거
7.2.3 폴더에서 여러 문서 수집
7.3 저장된 문서에 대한 질의응답
7.3.1 벡터 저장소 직접 질의
7.3.2 LangChain 체인을 통한 질문 수행
7.3.3 RAG 체인 설정 마무리
7.3.4 후속 질문
7.4 챗봇의 메시지 이력 기억
7.4.1 프롬프트 수정
7.4.2 채팅 메시지 이력 갱신
7.4.3 채팅 이력을 RAG 체인에 주입하기
7.4.4 전체를 하나로 통합하기
7.5 LangSmith로 실행 추적하기
요약

4부 고급 RAG
8장 고급 인덱싱
8.1 RAG 정확도 개선
8.1.1 콘텐츠 수집 단계
8.1.2 질문-응답 단계
8.2 고급 문서 인덱싱
8.3 분할 전략
8.3.1 분할 전략들
8.3.2 고려해야 할 요소
8.3.3 적절한 전략 선택
8.3.4 HTML 헤더 기준 분할
8.4 임베딩 전략
8.4.1 ParentDocumentRetriever를 사용한 하위 조각 임베딩
8.4.2 MultiVectorRetriever를 사용한 자식 조각 임베딩
8.4.3 문서 요약들 임베딩
8.4.4 가설 질문 임베딩
8.5 세분화 조각 확장
8.6 반정형 콘텐츠
8.7 멀티모달 RAG
요약

9장 질문 변환
9.1 재작성-검색-읽기
9.1.1 사용자 원시 질문을 사용한 콘텐츠 검색
9.1.2 질의 재작성기 체인 설정
9.1.3 재작성한 질의로 콘텐츠 검색하기
9.1.4 모든 요소를 하나의 RAG 체인으로 결합하기
9.2 다중 질의 생성
9.2.1 다중 질의를 생성하는 체인 구성하기
9.2.2 사용자 정의 다중 질의 검색기 설정
9.2.3 표준 MultiQueryRetriever 인스턴스 사용하기
9.3 스텝백 질문
9.3.1 스텝백 질문을 생성하는 체인 구성하기
9.3.2 스텝백 질문 생성을 RAG 체인에 통합하기
9.4 가설 문서 임베딩
9.4.1 사용자 질문을 위한 가설 문서 생성하기
9.4.2 HyDE 체인을 RAG 체인에 통합하기
9.5 단일 단계 및 다단계 분해
요약

10장 질의 생성, 라우팅 및 검색 후처리
10.1 콘텐츠 데이터베이스 질의 생성
10.2 셀프 질의(메타데이터 질의 확장)
10.2.1 수집: 메타데이터 확장
10.2.2 메타데이터가 확장된 컬렉션에 대한 질의응답
10.3 정형 SQL 질의 생성하기
10.3.1 SQLite 설치
10.3.2 데이터베이스 설정 및 연결
10.3.3 자연어로부터 SQL 질의 생성
10.3.4 SQL 질의 실행하기
10.4 문맥적 SQL 질의 생성하기
10.4.1 표준 SQL 질의
10.4.2 문맥적 SQL 질의
10.4.3 임베딩 생성
10.4.4 문맥적 SQL 검색 수행
10.4.5 문맥적 SQL 검색 자동화
10.4.6 문맥적 SQL 검색의 이점
10.5 그래프 데이터베이스를 위한 질의 생성
10.6 체인 라우팅
10.6.1 데이터 검색기 설정
10.6.2 질의 라우터 설정
10.6.3 체인 라우터를 전체 RAG 체인에 통합하기
10.7 검색 후처리
10.7.1 유사도 기반 후처리기
10.7.2 키워드 기반 후처리기
10.7.3 시간 가중치
10.7.4 RAG 퓨전(상호 순위 융합)
요약

5부 AI 에이전트
11장 LangGraph로 도구 기반 에이전트 구축
11.1 간단한 시작 : 단일 도구 기반 여행 정보 에이전트 구축
11.1.1 프로젝트 설정
11.1.2 환경 변수 로드
11.1.3 여행 정보 벡터 저장소 준비
11.2 에이전트가 도구를 호출하도록 하기
11.2.1 함수 호출에서 도구 호출로
11.2.2 LLM에서 도구 호출이 동작하는 방식
11.2.3 LLM에 도구 등록하기
11.2.4 에이전트 상태: 대화 추적
11.2.5 도구 호출 실행
11.2.6 LLM 노드: 추론과 행동의 조정
11.3 에이전트 그래프 구성
11.4 에이전트 그래프 구조 이해하기
11.5 에이전트 챗봇 실행: Read-Eval-Print 루프
11.6 요청 실행하기
11.6.1 단계별 디버깅
11.7 에이전트 확장: 날씨 예보 도구 추가
11.7.1 모의 날씨 서비스 구현
11.7.2 날씨 예보 도구 만들기
11.7.3 다중 도구 지원을 위한 에이전트 갱신
11.8 다중 도구 에이전트 실행
11.8.1 다중 도구 에이전트 실행(초기 동작)
11.8.2 시스템 지침을 통한 LLM 도구 사용 개선
11.9 빠른 개발을 위한 사전 구축 컴포넌트 활용
11.9.1 LangGraph ReAct 에이전트를 사용하도록 리팩터링
11.9.2 사전 구축 에이전트 실행
11.9.3 LangSmith를 활용한 관찰과 디버깅
11.9.4 LangSmith 추적 활성화
요약

12장 다중 에이전트 시스템
12.1 숙소 예약 에이전트 구축
12.1.1 호텔 예약 도구
12.1.2 B&B 예약 툴
12.1.3 ReAct 방식의 숙소 예약 에이전트
12.2 라우터 기반 여행 어시스턴트 구축
12.2.1 라우터 에이전트 설계
12.2.2 라우팅 로직
12.2.3 다중 에이전트 그래프 구축
12.2.4 라우터 에이전트 실행
12.3 Supervisor 컴포넌트를 활용한 다중 에이전트 요청 처리
12.3.1 Supervisor 패턴: 에이전트를 관리하는 에이전트
12.3.2 '일방향'에서 '양방향' 상호작용으로
12.3.3 Supervisor 에이전트 실행
요약

13장 MCP 서버 구축과 활용
13.1 MCP 서버 소개
13.1.1 문제: 대규모 문맥 통합
13.1.2 해결책: 모델 문맥 프로토콜
13.1.3 MCP 생태계
13.2 MCP 서버 구축 방법
13.2.1 MCP 서버 개발을 위한 핵심 자료
13.2.2 공식 언어별 MCP SDK
13.2.3 LLM 애플리케이션과 에이전트에서 MCP 서버 활용
13.3 날씨 MCP 서버 구축
13.3.1 MCP 서버 구현
13.3.2 MCP Inspector로 MCP 서버 살펴보기
13.3.3 테스트용 MCP 호스트에서 MCP 서버 사용하기
13.4 에이전트에 날씨 MCP 도구 통합하기
13.4.1 실시간 날씨 데이터를 쓰도록 여행 에이전트 준비하기
13.4.2 AccuWeather MCP 도구 통합하기
13.4.3 에이전트 채팅 루프 갱신하기
13.4.4 로컬 도구와 원격 도구 결합하기
13.4.5 테스트 및 검증
13.4.6 복합 질의에 에이전트 사용하기
요약

14장 AI 에이전트의 운영 환경 적용: 기억, 가드레일 및 추가 고려 사항
14.1 기억
14.1.1 기억의 유형
14.1.2 단기 기억이 필요한 이유
14.1.3 LangGraph의 체크포인트
14.1.4 여행 도우미에 단기 기억 추가하기
14.1.5 체크포인터를 적용한 도우미 실행하기
14.1.6 과거 체크포인트로 상태 되감기
14.2 가드레일
14.2.1 여행과 무관한 질문을 차단하는 가드레일 구현하기
14.2.2 에이전트 수준에서 더 엄격한 가드레일 구현하기
14.3 추가 고려 사항
14.3.1 장기 사용자 기억과 애플리케이션 기억
14.3.2 인간 개입 구조
14.3.3 모델 사후 가드레일
14.3.4 AI 에이전트와 애플리케이션 평가
14.3.5 LangGraph 플랫폼과 OAP 배포
요약

저자 : 로베르토 인판테 (Roberto Infante)
25년이 넘는 경력을 지닌 소프트웨어 엔지니어로, 주로 금융 분야에서 활동해왔으며 투자은행, 자산운용사, 브로커, 거래소 등 금융 산업 전반을 두루 경험했다.
현재 헤지펀드의 재무 기능을 위한 퀀트 개발을 총괄하는 동시에 여러 생성형 AI 이니셔티브도 이끌고 있다. 『Building Ethereum Dapps』(매닝, 2019)의 저자이기도 하다.

역자 : 이병욱
경영학 박사(Ph.D & MBA)
카이스트 전산학 학사/석사
스위스 플랭크린대학교 경영학 박사
서울과학종합대학원 AI첨단대학원 주임교수
카이스트(KAIST) 겸직교수
SOFT AI 대표이사
금융위원회 금융규제혁신회의 위원
금융위원회 법령해석심의위원회 위원
금융위원회 적극행정위원회 위원
금융위원회 디지털자산 자문위원
한국핀테크 지원센터 혁신금융 전문위원
AI경영학회 부회장
전) BNP 파리바 카디프 전무
전) 삼성생명 마케팅 개발 수석
2021년 혁신금융 부문 대통령 표창

서울과학종합대학원 AI대학원 주임교수와 카이스트 겸직교수를 맡고 있으며, SOFT AI의 대표이사다. 카이스트(KAIST) 전산학과 계산이론 연구실에서 학사/석사를 취득했고, 스위스 플랭클린대학교에서 경영학 박사 학위를 받았다. 현재는 기업 대상으로 인공지능 기술 컨설팅을 비롯해 성공적인 AI 기술 도입을 통한 DT 전환 컨설팅을 하고 있다.
공학을 전공한 금융 전문가로, 세계 최초의 핸드헬드-PC(Handheld-PC) 개발에 참여해 한글 윈도우 CE 1.0과 2.0을 미국 마이크로소프트 본사에서 공동 개발했다. 1999년에는 핀테크 전문회사 ㈜보험넷을 창업했고, 이후 삼성생명을 비롯한 생명 보험사 및 손해 보험사에서 CMO(마케팅 총괄 상무), CSMO(영업 및 마케팅 총괄 전무) 등을 역임하면서 혁신적인 상품과 서비스를 개발하고 총괄했다.
인공지능연구원에서 머신러닝 기반의 금융 솔루션 개발에 관련된 다양한 활동을 하고 있으며 금융위원회, 금융정보분석원 등에 다양한 자문을 하고 있다. 2021년에는 혁신금융 부문 대통령 표창을 수상한 바 있다.
저서로는 『비트코인과 블록체인, 탐욕이 삼켜버린 기술』(에이콘, 2018)과 대한민국학술원이 ‘2019 교육부 우수학술도서’로 선정한 『블록체인 해설서』(에이콘, 2019), 2022년 문체부의 ‘세종도서’로 선정된 『돈의 정체』(에이콘, 2019), 한국금융연수원의 핀테크 전문 교재인 공저 『헬로, 핀테크!』(2020)와 『헬로, 핀테크! - 인공지능 편』(2021)이 있다.

이 책의 대상 독자

이 책은 LangChain, LangGraph, MCP를 사용해 실환경 수준의 AI 에이전트와 애플리케이션을 구축하려는 개발자와 기술적 배경을 가진 독자를 대상으로 한다. 따라서 기본적인 파이썬 사용법과 터미널에서 명령을 실행하거나 가상 환경을 관리하는 등의 일반적인 개발자 워크플로에 익숙하다면 무리 없이 따라갈 수 있다. 또한 Jupyter Notebook을 실행하거나 Visual Studio CodeVS Code에서 파이썬 애플리케이션을 개발해본 경험이 있다면 학습을 더 빠르게 진행할 수 있다. LLM 애플리케이션 개발 경험이 반드시 필요한 것은 아니지만, ChatGPT, Claude, Gemini와 같은 도구를 사용해본 경험이 있다면 도움이 된다.
일부 독자는 단순한 LLM API 호출을 넘어서는 시스템을 구축하려는 소프트웨어 엔지니어일 수도 있고, RAG 프로토타입을 신뢰할 수 있는 애플리케이션이나 에이전트로 발전시키려는 데이터 사이언티스트 또는 머신러닝 엔지니어일 수도 있을 것이다. 이 책은 구현 가능성과 배포 전략을 평가하는 기술 리더나 제품 관리자에게도 유용하다. 더 나아가 학생, 독학자, 연구자, 취미로 개발을 하는 사람들 역시 기초 개념에서 시작해 완전히 동작하는 시스템에 이르기까지의 명확하고 실용적인 학습 경로를 이 책에서 찾을 수 있다.
각 장을 따라가다 보면, 기초 개념에서 출발해 완전히 작동하는 애플리케이션을 구현하는 단계에까지 이르게 된다. 효과적인 프롬프트를 설계하고, LangChain을 활용해 RAG 파이프라인을 구축ㆍ테스트ㆍ강화하며, LangGraph를 통해 에이전트 기반 워크플로와 다중 에이전트 협업 구조를 구현한다. 또한 MCP를 통해 외부 도구를 통합함으로써 보안성과 상호운용성을 갖춘 기능을 구축하는 방법을 익힌다. 이러한 과정을 거치면서 시스템의 동작을 추적하고 디버깅하며 지속적으로 개선하는 능력도 함께 기르게 된다. 아이디어를 신뢰할 수 있고 유지보수가 가능한 AI 제품으로 발전시키는 것이 목표라면, 이 책은 그 전 과정을 단계적으로 안내하는 길잡이가 될 것이다.

이 책의 구성

이 책은 5부로 구성된 총 14개 장으로 이뤄져 있다. 각 부는 앞의 내용에 기반해 단계적으로 확장되며, LLM의 기초 활용 기술에서 시작해 LangChain, LangGraph, MCP를 활용한 출시 모델 수준의 에이전트까지 구축하도록 구성돼 있다. 독자는 처음부터 끝까지 순서대로 읽을 수도 있지만, 자신의 프로젝트와 가장 밀접한 관련이 있는 부분만 중점적으로 읽을 수도 있다. 본문 전반에 걸쳐 제공되는 교차 참조는 이러한 과정에서 발생할 수 있는 이해의 공백을 자연스럽게 메우도록 도와줄 것이다.

저자의 말

2022년 후반에 들어서면서 한 가지 변화가 일어났다. 거대 언어 모델(LLM, Large Language Model)은 더 이상 실험실 기술로 머물지 않았고, 실제 쓸모 있는 도구가 되기 시작했다. 문단 하나를 요약해보려던 간단한 시도는 질문에 답하는 챗봇으로 발전했고, 별 볼 일 없던 스크립트는 다른 팀들도 써보고 싶어 하는 서비스로 바뀌었다. LLM은 더 이상 신기한 구경거리가 아니라, 필수적인 소프트웨어 개발 도구로 빠르게 자리매김했다.
이 점이 매우 고무적인 이유는 다음과 같다. LLM은 소프트웨어가 마치 인간의 언어를 구사하듯 작동한다. LLM은 계약서를 수정하고, 로그를 의미 있는 답변으로 바꾸고, 코드의 초안을 작성하고, 다음 단계를 계획할 수 있으며, 나아가 그 작업을 실제로 수행하기 위해 적절한 도구와 데이터를 호출할 수도 있다. 검색과 도구 사용이 결합되면, 애플리케이션은 더이상 경직된 기계가 아니라 점차 협력적인 파트너에 가까운 존재로 느껴지기 시작한다. 잠재
력이 상당하지만, 그 잠재력을 양산 시스템으로 만드는 일은 단순하지 않다. 데이터 흐름을
통합하고, 효과적인 프롬프트를 설계하고, 검색을 통해 답변의 근거를 확보하고, 다단계 워크플로를 오케스트레이션(orchestration)하며, 배포 이후 시스템이 어떻게 동작하는지 모니터링하는 세심한 작업이 필요하다.

나 역시 여타 개발자와 비슷한 경로를 따라 이 분야에 들어오게 됐다. 처음에는 Jupyter Notebook에서 실험을 하며 API를 탐색했고, 모델이 어디에서 잘 작동하고 어디에서 한계를 드러내는지 배워갔다. 이러한 초기 탐색은 점차 발전했으며, 생산성 향상을 원하는 소수의 초기 사용자들을 위해 직장에서 진행한 소규모 에이전트 기반 사이드 프로젝트로 이어졌다. 기술이 발전하면서, 즉 OpenAI의 API가 개선되고, LangChain의 기능이 확장되고, LangGraph의 오케스트레이션 역량이 강화되고, 고도화된 검색 증강 생성(RAG, Retrieval-Augmented Generation) 및 ReAct와 같은 기법이 새롭게 등장하면서, 프로토타입은 점점 더 정교해졌다. 이와 동시에 이 책을 집필하기 시작했다. 빠르게 변화하는 기술로 인해 1개의 장을 막 끝내고 나면 불과 몇 주 지나지 않아 그 장의 기술들이 이미 뒤처진 것으로 느껴진 적도 한두 번이 아니었다. 이는 무척 고무적이면서도, 때로는 몹시 지치는 일이기도 했다.

그러한 경험은 이 책의 방향성에 큰 영향을 미쳤다. 매번 새로 등장하는 매개변수나 오래 가지 않는 ‘모범 사례’를 좇기보다, 이 책에서는 안정적으로 검증돼 신뢰할 수 있는L LM 애플리케이션의 기반을 이루는 개념, 아키텍처, 설계 패턴에 초점을 맞췄다. 책에서는 실제로 동작하는 시스템(엔진, 챗봇, 에이전트)을 구축하지만, 궁극적인 목표는 재사용 가능한 기반을 제공하는 데 있다. 즉, 검색을 어떻게 구조화할 것인지, 프롬프트를 어떻게 설계할 것인지, 체인chain2을 어떻게 구성할 것인지, 시스템의 동작을 어떻게 평가할 것인지, 그리고 다단계 워크플로를 어떻게 명확하고 자신 있게 오케스트레이션할 것인지를 다룬다.
프레임워크는 이 과정에서 핵심적인 역할을 한다. LangChain은 로더, 분할기, 임베딩, 검색기, 벡터 저장소, 프롬프트 같은 필수 구성 요소를 표준화함으로써, 프로젝트마다 파이프라인 작업을 처음부터 다시 수행할 필요를 없애준다. LangGraph는 이를 확장해 그래프로 워크플로를 구조화하고 에이전트 루프를 조율하며, LangSmith는 가시적인 정보를 통해 디버깅과 평가를 용이하게 해준다. 이들 모두 개발자가 기반 인프라가 아닌 애플리케이션 그 자체에 집중할 수 있게 해준다.

이 시점에서 이 책의 필요성은 다음과 같다. 비로소 기반이 충분히 안정돼 이제 효과적으로 가르칠 수 있는 단계에 도달했다. 그리고 필요성 또한 어느 때보다 커졌기 때문이다. 개발 팀은 특정 벤더나 임시 방편이 아니라, 아이디어와 구현 사이의 간극을 메워줄 실질적 지침을 원한다. 이 책의 목표는 독자 스스로 LLM 기반 시스템을 구축하기 위한 명확한 개념을 갖추고, 신뢰할 수 있는 검증된 패턴들을 익히며, 계속 변화하는 환경 속에서도 지속적으로 시스템을 구축해 나갈 수 있는 자신감을 얻게 해주는 것이다.

역자의 말

이 책은 최근 가장 주목받는 에이전트(agent)를 구축하고 활용하기 위한 실무적 지침서다. 따라서 거대 언어 모델을 호출해 실제로 작동하는 엔진부터 챗봇, 에이전트까지 모두 구축해보며, 또한 코드도 제공한다. 우선 LLM을 통해 검색을 구조화하고, 이를 보강하는 최신 RAG 기법을 코드를 통해 구현해본다. 또한 정형 데이터와 비정형 질의를 연결하는 다양한 실습 코드도 제공한다. 이렇게 구현된 모든 코드는 쉽게 재사용할 수 있도록 LangChain과 LangGraph를 기반으로 구축된다. 이 책에서는 검색을 어떻게 구조화할 것인지, 프롬프트를 어떻게 설계하면 되는 것인지, 체인을 어떻게 적절하게 구성할 것인지, 시스템의 동작을 어떻게 평가할 것인지, 그리고 다단계 워크플로를 어떻게 명확하고 자신 있게 오케스트레이션할 것인지를 모두 알려준다. 또한 에이전트와 관련해서 MCP를 통해 필요한 도구를 찾고 활용하는 방법론부터 실제 구현까지 모두 살펴본다.
다시 말해, 이 책은 최근에 가장 주목받는 분야를 손쉽게 접하고 실제 구현까지 해볼 수 있는 최고의 입문서라고 할 수 있다.